Malgré les progrès rapides dans le domaine de la détection non supervisée d'anomalies, les méthodes existantes nécessitent l'entraînement de modèles distincts pour différents objets. Dans ce travail, nous présentons UniAD, une méthode qui réalise la détection d'anomalies pour plusieurs classes à l'aide d'un cadre unifié. Dans un tel contexte difficile, les réseaux populaires de reconstruction peuvent tomber dans une « raccourci identique », où les échantillons normaux et anormaux sont tous deux bien reconstruits, rendant ainsi impossible la détection des valeurs aberrantes. Pour surmonter cet obstacle, nous apportons trois améliorations. Premièrement, nous revisitions les formulations des couches entièrement connectées, convolutionnelles et d'attention, et confirmons le rôle crucial de l'embedding de requête (c'est-à-dire au sein de la couche d'attention) pour empêcher le réseau d'apprendre le raccourci. Nous proposons donc un décodeur de requête par couche pour aider à modéliser la distribution multi-classe. Deuxièmement, nous utilisons un module d'attention masquée voisin pour éviter davantage la fuite d'information des caractéristiques d'entrée vers les caractéristiques reconstruites en sortie. Troisièmement, nous introduisons une stratégie de perturbation des caractéristiques (feature jittering) qui incite le modèle à restituer le message correct même avec des entrées bruyantes. Nous évaluons notre algorithme sur les jeux de données MVTec-AD et CIFAR-10, où nous surpassons largement les alternatives de pointe actuelles. Par exemple, lors de l'apprentissage d'un modèle unifié pour 15 catégories dans MVTec-AD, nous dépassons le deuxième concurrent sur les tâches de détection d'anomalies (de 88,1 % à 96,5 %) et de localisation d'anomalies (de 89,5 % à 96,8 %). Le code est disponible sur https://github.com/zhiyuanyou/UniAD.